top of page
Фото автораСтепан Сабуров

Использование искусственного интеллекта для определения возраста и пола

Обновлено: 15 апр. 2022 г.

Введение


Исследователи искусственного интеллекта склонны подвергать сомнению природу интуитивного. Как только вы зададитесь вопросом, как компьютер может повторить то, что кажется простым для людей, вы заметите: то, что кажется «интуитивно понятным» для нас, может быть очень сложно формализовать. Наше визуальное восприятие человеческого возраста и пола — хороший пример такого тонкого качества.



Нейронная сеть — это метод машинного обучения, который в некотором очень абстрактном смысле пытается моделировать то, как мозг обрабатывает информацию. Нейронная сеть состоит из простых обучаемых элементов — искусственных нейронов, или перцептронов. Во время обучения нейроны обучаются преобразовывать входные сигналы (скажем, изображение кошки) в соответствующие выходные сигналы (например, метку «кошка»), тем самым обучаясь автоматически распознавать и тех кошек, которых раньше никогда не видели.[1]


ИИ в повседневной жизни


Искусственный интеллект в настоящий момент применяется практически во всех сферах жизни человека. К примеру, в Британии крупные сети супермаркетов начали тестировать автоматизированную систему проверки возраста, чтобы избежать ожидания персонала при самостоятельной проверке при покупке алкоголя. Та же технология уже используется в магазине Aldi checkout-free в Лондоне. "Ожидание одобрения возраста при самостоятельной проверке иногда расстраивает покупателей», -сказал Робин Томбс, исполнительный директор Yoti, компании, предоставляющей технологию.


Yoti стремится подчеркнуть, что это не распознавание лиц, которое пытается сопоставить отдельные лица с лицами в базе данных. И система не сохранит сделанные ею изображения из-за проблем с конфиденциальностью. Протестированный на более чем 125 000 лицах в возрасте от шести до 60 лет, алгоритм в среднем угадал их возраст с точностью до 2,2 года - 1,5 среди 16-20-летних.[2]


Биологический возраст по анализу крови


Алгоритм определения возраста человека по анализу крови разработала международная группа исследователей с участием ученых из университета ИТМО. Для этого были использованы данные более 120 тыс. человек из Канады, Южной Кореи и Восточной Европы. Ошибка алгоритма не превышает шести лет.


Исследователи из Международной лаборатории «Компьютерные технологии» ИТМО вместе с зарубежными коллегами разработали метод вычисления календарного возраста человека при помощи 20 показателей анализа крови. При этом используются биомаркеры (концентрация глюкозы и гемоглобина, количество эритроцитов в крови), которые определяются просто и входят в стандартный набор тестов в большинстве стран. Как пояснили в университете ИТМО, исследование биомаркеров поможет ученым в будущем решить более сложную задачу — научиться определять биологический возраст человека. Это понятие отражает степень развития организма, меру его старения, «изношенности». При одном и том же количестве прожитых лет данный показатель у разных людей может не совпадать.[3]


Оценка возраста с использованием 3D-МРТ коленного сустава и сверточных нейронных сетей


Лучшие подходы, которые используются сегодня, основаны на рентгене, который представляет собой инвазивный метод визуализации, который подвергает пациента воздействию ионизирующего излучения. Поэтому многие европейские страны разрешают такие записи только в рамках судебного решения.

В рамках исследования Немецкого исследовательского фонда (DFG) был использован набор данных трехмерных МРТ, показывающих правое колено немецких мужчин. Бедренная кость в верхней половине изображения — это бедренная кость, а большая берцовая кость справа внизу — большеберцовая кость.




Можно увидеть еще одну кость, высовывающуюся в левом нижнем углу — малоберцовую кость. Темные горизонтальные линии в костях, которые почти похожи на трещины, называются пластинами роста, потому что именно здесь происходит продольный рост костей. Они состоят из хрящей, поэтому их можно увидеть на записях МРТ. Как только прекращается рост, эти области начнут медленно закрываться, пока не перестанут быть видимыми.


Поскольку сеть использовала 2D-срезы каждого объемного изображения, было несколько прогнозов для каждой МРТ. В среднем погрешность была 0,64 (±0,48) года. Внутренние срезы дают более высокую точность, поэтому проводились эксперименты со средневзвешенными значениями и отбрасыванием внешних срезов. Теперь алгоритм выдавал одну оценку для каждой 3D-МРТ. Это дало среднюю разницу в 0,48 (± 0,32) года на тестовом наборе. Другими словами, этот рабочий процесс позволяет оценить возраст мужчин европеоидной расы от 14 до 21 года со средней ошибкой в ​​полгода.[4]


Определение костного возраста


Определение костного возраста — обязательный этап, входящий в клинический протокол диагностики детей с эндокринными заболеваниями, характеризующимися нарушением роста. Сопоставление хронологического и костного возраста пациента определяет необходимость проведения дополнительных диагностических исследований, позволяющих уточнить этиологию данной патологии, и в последующем объективно оценить эффективность проводимого лечения.


Костный возраст – параметр, позволяющий оценить биологическую зрелость скелета и построить прогностическое заключение о потенциале его роста у конкретного индивидуума.


Для определения костного возраста анализируется, как правило, степень оссификации костей кисти и дистальных эпифизов костей предплечья, а также последовательность синостозирования костных структур. Анализ состояния костной ткани предполагает сравнение изображения пациента, чаще всего рентгенограммы его левой руки, с аналогичными контрольными изображениями людей с точно датированным возрастом и полом. Однако такая методика требует значительных временных затрат и при сравнении с контрольными изображениями приводит к существенным погрешностям вследствие субъективности визуального восприятия исходных данных.


Метод интеллектуального компьютерного зрения, основанный на применении искусственных нейронных сетей и реализованный в составе программного приложения BoneAgeAnalyzer. Особенность такого подхода в том, что нейронные сети, будучи специальным образом обучены на большом количестве реального рентгенологического материала, самостоятельно формируют набор признаков, по которым строится собственная классификация, позволяющая с высокой точностью определять костный возраст. Участие человека в данном случае ограничивается вводом в программу оцифрованного рентгеновского снимка.


Рисунок 1


Для реализации метода применялась комбинированная сверточная нейронная сеть, составленная из моделей Xception и DenseNet 169. Две вертикальные ветви блок-схемы с моделями определяют информативные зоны на изображении, характеризующие костный возраст (рисунок 1). Каждая ветвь заканчиваются блоками обработки данных, состоящими из двух полносвязных слоев и одного нейрона. Подобная архитектура позволяет получать для каждой ветки собственное решение в виде численного значения. Каждое из полученных значений становится промежуточным для окончательного определения костного возраста. Иными словами, получаются два равноценных решения, выходные значения которых могут не совпадать. Выходное значение каждая ветвь формировала исходя из анализа целого набора представленных на рентгенограмме признаков.


Полученный результат подкреплялся картой активации, формирующейся на последних слоях нейронной сети. Эта карта представляет собой изображение кисти, на котором области, оказавшие наибольшее влияние на предсказанный возраст, выделяются различными цветовыми оттенками (рисунок). Цветовые оттенки распределены по палитре в направлении от наименее значимых участков к наиболее значимым т. е., наиболее значимые участки отображены красным цветом, наименее значимые — синим, остальные по мере значимости окрашиваются в промежуточные цвета.


Автоматический метод превосходит используемые в отечественной медицинской практике рутинные методы в точности анализа участков оссификации на рентгенограммах. Процент точных результатов, полученных в автоматическом режиме, составил 87 %. При проведении аналогичных исследований с помощью традиционных методов, базирующихся на зрительном восприятии и эмпирических заключениях диагноста, доля точных результатов составила 65 %. Время, затрачиваемое на определение костного возраста при нейронных сетях, не превышало 2 с. Среднее время определения этого же параметра для одного пациента традиционными методами оказалось равным 15 мин.[5]


Определение пола по улыбке


Исследователи из Брэдфордского университета (США) создали алгоритм, который отличает мужчин от женщин по тому, как они улыбаются. В основе существующих методов определения пола по фотографии лежит сравнение фиксированных черт лица по статистическому изображению.


Для исследования ученые обозначили 49 лицевых ориентиров — в основном вокруг глаз, носа или около рта. Это помогло оценить параметры изменений подвижных мышц лица во время улыбки. Затем были проанализированы основные различия между женскими и мужскими улыбками. Эксперты пришли к выводу, что женщины улыбаются шире, чем мужчины. Они сильнее открывают рот, и, в целом, их мимика более активна. На основе полученных данных команда разработала алгоритм и протестировала его на видеозаписи с участием 109 улыбающихся людей. Компьютеру удалось правильно определить пол испытуемых в 86% случаев.


Основная цель этого исследования заключается в том, чтобы расширить возможности машинного обучения, но оно вызвало ряд интригующих вопросов, на которые в будущем он и его команда планируют найти ответы. Эти данные могут послужить для изучения влияния пластической хирургии на показатели распознавания. как компьютер будет воспринимать улыбку трансгендерного человека и будут ли на процесс распознавания влиять пластические операции?[6]


Контроль


Датское государство имеет особую имперскую историю с Афганистаном благодаря участию в афганской войне с 2002 года и недавним соглашениям о депортации. В 2001г. США начали «войну с терроризмом», нанеся бомбардировки Афганистану. Шансы получить убежище для афганцев в Европе значительно снизились за последние годы – с 68 процентов в сентябре 2015 года до 33 процентов в Декабрь 2016 г. В Дании уровень принятия афганских просителей убежища в течение нескольких лет был ниже, чем в остальной Европе, и особенно низким в последние годы: всего 16% в 2017 г. Если лицо, ищущее убежища, оценивается как старше 18 лет возраста, что бывает в большинстве случаев, они уже не попадают под защиту статус несовершеннолетнего без сопровождения, что облегчает датскому государству отклонить их ходатайство о предоставлении убежища и, наконец, депортировать их. Логику, лежащую в основе оценок возраста, можно понимать как гуманитарное насилие.


Большое количество отказов афганцам в предоставлении убежища отчасти объясняется бюрократической практикой переклассификации уровней безопасности в Афганистане. Одним из них является резкое увеличение использования аргумента Датского апелляционного совета по делам беженцев о том, что у тех, кто ищет убежища, есть «альтернатива бегства внутри страны», в соответствии с которой убежище отклоняется на том основании, что человек якобы может быть в безопасности в других частях страны. чем то, откуда они происходят.


В датском миграционном законодательстве оценка возраста относится к категории «выяснения личности». Оценка состоит из стоматологического осмотра в Школе стоматологии Копенгагенского университета, рентгена запястья в Rigshospitalet и осмотра обнаженного тела на кафедре судебной медицины Копенгагенского университета. Судебно-медицинские эксперты составляют заключение на основании стоматологического осмотра и рентгеновского снимка, которое включает описание тела лица, ищущего убежища. Один человек, прошедший процедуру определения возраста, сказал: «Мой отец и моя мать лучше знают о моем возрасте, чем машина».


Технологии, измеряющие живое тело, называются биометрическими. Биометрические технологии для идентификации имеют расистскую историю, которая переплетается с колониализмом и евгеникой. Ранней биометрической технологией, как отметила Симона Браун в своей работе о слежке и чернокожих, было клеймение порабощенных людей в трансатлантической работорговле, что способствовало маркировке чернокожего субъекта как товара.

Отпечатки пальцев, которые являются наиболее распространенной биометрической технологией, используемые сегодня, были впервые использованы в государственных целях во время британского колониального правления в Индии, и именно Фрэнсис Гальтон, британский антрополог, который изобрел расистскую, геноцидную науку евгеники, предложил систематически использовать отпечатки пальцев для идентификации колонизированного населения. С 2007 года военные США и войска НАТО собирают биометрические данные о миллионах афганцев в надежде создать биометрическую базу данных, которая в конечном итоге будет включать данные обо всех афганцах старше 16 лет.


В Дании также увеличивается сбор биометрических данных для слежки и контроля за мигрантами. В 2017 году датский парламент принял поправку к иммиграционному закону о расширении использования биометрических данных мигрантов. В результате был создан центральный реестр биометрических данных всех лиц, обращающихся за разрешением на въезд и проживание в Дании.


Войны в Ираке и Афганистане послужили испытательным полигоном для разработки инфраструктуры биометрического наблюдения для борьбы с повстанцами и общего наблюдения. Когда датское государство проводит медицинские оценки возраста молодых лиц, ищущих убежища, и использует сомнительные результаты для их отклонения и депортации, оно использует ряд государственных методов управления перемещенным населением в условиях глобального расового капитализма, которые принимают форму картирования тела, административное правило и гуманитарное насилие. Эти три аспекта сочетаются с методами слежки, задержания и депортации, которые служат для лишения собственности и избавления от мигрантов и лиц, ищущих убежища.[7]



 

Источники:

1. Свёрточные нейронные сети

2. Supermarket cameras to guess age of alcohol buyers

3. Нейросеть научили определять возраст человека

4. Age Assessment using 3D Knee MRIs and Convolutional Neural Networks

5. Косик И. И., Кабак С. Л., Карапетян Г. М., Кислая Е. И., Ермаков В. В.,

Недзьведь О. В., Шевчук Т. А. // БГМУ в авангарде медицинской науки и практики. Выпуск 10 // ''Определение костного возраста с использованием

искусственного интеллекта''. с 146-156.

6. Нейросеть научили определять пол по улыбке

7. Nanna Dahler, ''Biometrics as imperialism: age assessments of young asylum seekers in Denmark'' // Перевод с английского. c. 24–39.



87 просмотров0 комментариев

Comments


Пост: Blog2_Post
bottom of page